CN113011106A - 一种多数值模式集成预报方法及装置 - Google Patents
一种多数值模式集成预报方法及装置 Download PDFInfo
- Publication number
- CN113011106A CN113011106A CN202110407569.XA CN202110407569A CN113011106A CN 113011106 A CN113011106 A CN 113011106A CN 202110407569 A CN202110407569 A CN 202110407569A CN 113011106 A CN113011106 A CN 113011106A
- Authority
- CN
- China
- Prior art keywords
- data
- network
- mode
- live
- splicing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013277 forecasting method Methods 0.000 title description 10
- 230000004927 fusion Effects 0.000 claims abstract description 80
- 238000000605 extraction Methods 0.000 claims abstract description 59
- 238000012937 correction Methods 0.000 claims abstract description 52
- 230000002776 aggregation Effects 0.000 claims abstract description 46
- 238000004220 aggregation Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 25
- 230000010354 integration Effects 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 58
- 238000013135 deep learning Methods 0.000 claims description 55
- 230000009467 reduction Effects 0.000 claims description 30
- 238000010606 normalization Methods 0.000 claims description 28
- 238000012952 Resampling Methods 0.000 claims description 19
- 230000009466 transformation Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 11
- 239000002356 single layer Substances 0.000 claims description 9
- 238000013480 data collection Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 13
- 241000219094 Vitaceae Species 0.000 description 6
- 235000021021 grapes Nutrition 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012935 Averaging Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种多数值模式集成预报方法及装置,方法包括:收集目标区域的数值模式预报数据、格点实况观测数据及地形数据;对数值模式预报数据以及地形数据进行降尺度处理,得到数值模式降尺度预报数据;依据预先构建的多模式特征提取网络,对数值模式降尺度预报数据进行空间时间聚合特征的特征提取;对空间时间聚合特征进行融合,得到拼接融合特征;对格点实况观测数据进行特征提取,得到格点拼接融合特征;将格点拼接融合特征和拼接融合特征输入预先构建的实况订正网络,得到维度拼接特征表示;依据预先构建的多数值模式集成预报网络,对维度拼接特征表示进行集成预报。可以提高多数值模式集成预报的准确性。
Description
技术领域
本发明涉及气象预报技术领域,具体而言,涉及一种多数值模式集成预报方法及装置。
背景技术
多数值模式集成预报是将多种数值模式的预报结果进行融合的一种气象预报技术。目前,多数值模式集成预报方法利用各数值模式的预报偏差率进行多数值模式集成预报,大多基于卡尔曼滤波、消除偏差集合平均、模式加权平均、最小二乘加权平均以及简单集合平均等,实现方法较简单且易操作。但上述的多数值模式集成预报方法,由于各种数值模式预报存在系统偏差,且各种数值模式预报之间相互独立,使得多数值模式集成预报的准确性不高。
发明内容
有鉴于此,本发明的目的在于提供多数值模式集成预报方法及装置,以提高多数值模式集成预报的准确性。
第一方面,本发明实施例提供了多数值模式集成预报方法,包括:
收集目标区域的数值模式预报数据、格点实况观测数据及地形数据;
依据预先构建的深度学习空间降尺度模型以及时域卷积时间降尺度模型,对数值模式预报数据以及地形数据进行降尺度处理,得到数值模式降尺度预报数据,所述数值模式降尺度预报数据的分辨率与所述格点实况观测数据的分辨率相同;
依据预先构建的多模式特征提取网络,对数值模式降尺度预报数据进行空间时间聚合特征的特征提取;
以空间时间聚合特征作为预先构建的多模式特征融合网络的输入,对空间时间聚合特征进行融合,得到拼接融合特征;
以格点实况观测数据作为预先构建的实况特征提取网络的输入,对格点实况观测数据进行特征提取,得到格点拼接融合特征;
将格点拼接融合特征和拼接融合特征输入预先构建的实况订正网络,得到维度拼接特征表示;
依据预先构建的多数值模式集成预报网络,对维度拼接特征表示进行集成预报。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,构建深度学习空间降尺度模型,包括:
收集格点历史实况观测数据以及格点地形数据;
对格点历史实况观测数据分别进行重采样,得到第一空间分辨率的第一格点实况观测数据以及第二空间分辨率的第二格点实况观测数据,基于第一格点实况观测数据以及第二格点实况观测数据构建深度学习实况训练数据集;
将深度学习实况训练数据集输入低分辨率特征提取模块,得到实况多要素特征;
将实况多要素特征输入辅助特征变换模块,得到辅助变换特征;
将格点地形数据输入空间畸变模块,得到空间矫正特征;
将空间矫正特征以及辅助变换特征输入高分辨率重构模块,得到原始分辨率重构数据;
依据原始分辨率重构数据、格点历史实况观测数据以及预先设置的尺度网络差异阈值,确定是否完成对深度学习空间降尺度网络的训练,若是,将完成训练的深度学习空间降尺度网络作为深度学习空间降尺度模型。
结合第一方面的第一种可能的实施方式,本发明实施例提供了第一方面的第二种可能的实施方式,其中,构建时域卷积时间降尺度模型,包括:
选取格点历史实况观测数据中预定数量的格点,针对每一格点,获取该格点的连续时间序列并进行重采样,得到时域卷积训练数据集;
对时域卷积训练数据集中的每一时域卷积训练数据,利用线性插值模块进行再采样,得到时域卷积再采样训练数据集;
将时域卷积再采样训练数据集输入时域重构模块,得到时域卷积时间降尺度重构数据;
依据时域卷积时间降尺度重构数据、格点历史实况观测数据以及预先设置的卷积网络差异阈值,确定是否完成对时域卷积时间降尺度网络的训练,若是,将完成训练的时域卷积时间降尺度网络作为时域卷积时间降尺度网络模型。
结合第一方面、第一方面的第一种可能的实施方式或第二种可能的实施方式,本发明实施例提供了第一方面的第三种可能的实施方式,其中,所述对数值模式降尺度预报数据进行空间时间聚合特征的特征提取,包括:
将时域卷积时间降尺度模型输出的数值模式降尺度预报数据进行归一化处理,得到数值模式降尺度归一化预报数据;
将数值模式降尺度归一化预报数据按时序输入递归卷积网络的编码模块,得到空间时间聚合特征。
结合第一方面、第一方面的第一种可能的实施方式或第二种可能的实施方式,本发明实施例提供了第一方面的第四种可能的实施方式,其中,所述对空间时间聚合特征进行融合,得到拼接融合特征,包括:
对空间时间聚合特征进行拼接,得到拼接特征;
将拼接特征输入单层三维卷积网络,得到拼接融合特征。
结合第一方面、第一方面的第一种可能的实施方式或第二种可能的实施方式,本发明实施例提供了第一方面的第五种可能的实施方式,其中,所述对格点实况观测数据进行特征提取,得到格点拼接融合特征,包括:
对格点实况观测数据进行归一化处理,得到格点实况归一化观测数据;
将格点实况归一化观测数据按时序输入递归卷积网络的编码模块,得到空间时间格点聚合特征;
对空间时间格点聚合特征进行拼接,得到格点拼接特征;
对格点拼接特征进行特征融合,得到格点拼接融合特征。
结合第一方面、第一方面的第一种可能的实施方式或第二种可能的实施方式,本发明实施例提供了第一方面的第六种可能的实施方式,其中,构建多数值模式集成预报网络,包括:
将维度拼接特征表示输入递归卷积网络的解码模块,获取集成订正结果;
对集成订正结果进行归一化处理,得到集成订正归一化结果;
依据集成订正归一化结果、格点历史实况观测数据,获取递归卷积网络的输出误差,若输出误差小于设定的误差阈值,将该递归卷积网络作为多数值模式集成预报网络,否则,通过反向传播优化递归卷积网络的参数,直至递归卷积网络的输出误差小于设定的误差阈值。
第二方面,本发明实施例还提供了一种多数值模式集成预报装置,包括:
数据收集模块,用于收集目标区域的数值模式预报数据、格点实况观测数据及地形数据;
尺度处理模块,用于依据预先构建的深度学习空间降尺度模型以及时域卷积时间降尺度模型,对数值模式预报数据以及地形数据进行降尺度处理,得到数值模式降尺度预报数据,所述数值模式降尺度预报数据的分辨率与所述格点实况观测数据的分辨率相同;
模式特征提取模块,用于依据预先构建的多模式特征提取网络,对数值模式降尺度预报数据进行空间时间聚合特征的特征提取;
模式特征融合模块,用于以空间时间聚合特征作为预先构建的多模式特征融合网络的输入,对空间时间聚合特征进行融合,得到拼接融合特征;
格点特征提取模块,用于以格点实况观测数据作为预先构建的实况特征提取网络的输入,对格点实况观测数据进行特征提取,得到格点拼接融合特征;
特征订正模块,用于将格点拼接融合特征和拼接融合特征输入预先构建的实况订正网络,得到维度拼接特征表示;
集成预报模块,用于依据预先构建的多数值模式集成预报网络,对维度拼接特征表示进行集成预报。
第三方面,本申请实施例提供了一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述的方法的步骤。
本发明实施例提供的多数值模式集成预报方法及装置,通过收集目标区域的数值模式预报数据、格点实况观测数据及地形数据;依据预先构建的深度学习空间降尺度模型以及时域卷积时间降尺度模型,对数值模式预报数据以及地形数据进行降尺度处理,得到数值模式降尺度预报数据,所述数值模式降尺度预报数据的分辨率与所述格点实况观测数据的分辨率相同;依据预先构建的多模式特征提取网络,对数值模式降尺度预报数据进行空间时间聚合特征的特征提取;以空间时间聚合特征作为预先构建的多模式特征融合网络的输入,对空间时间聚合特征进行融合,得到拼接融合特征;以格点实况观测数据作为预先构建的实况特征提取网络的输入,对格点实况观测数据进行特征提取,得到格点拼接融合特征;将格点拼接融合特征和拼接融合特征输入预先构建的实况订正网络,得到维度拼接特征表示;依据预先构建的多数值模式集成预报网络,对维度拼接特征表示进行集成预报。这样,引入基于深度学习的空间降尺度模型和基于时域卷积的时间降尺度模型,可以将多种数值模式预报结果进行降尺度,并以多种数值模式预报数据和地形数据为输入,可以实现基于精细化地形的降尺度订正,从而提高了预报的精细度和准确度。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例所提供的多数值模式集成预报方法流程示意图;
图2示出了本发明实施例所提供的深度学习空间降尺度模型结构示意图;
图3示出了本发明实施例所提供的多数值模式集成预报装置结构示意图;
图4为本申请实施例提供的一种计算机设备400的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
近年来,随着深度学习等机器学习技术的快速发展,深度学习已成功应用于人脸识别、车辆检测、智能监控领域,并在雷达回波预测等气象问题上取得了突破性研究进展。基于此,本发明实施例提出一种基于递归卷积网络的在线订正多数值模式集成预报方法,能够实现准确的多数值模式预报的快速集成,并根据最新实况观测在线订正偏差,从而达到准确的温度、相对湿度、风速、风向等多种气象要素的多模式非线性集成预报。
本发明实施例提供了一种多数值模式集成预报方法及装置,下面通过实施例进行描述。
图1示出了本发明实施例所提供的多数值模式集成预报方法流程示意图。如图1所示,该方法包括:
步骤101,收集目标区域的数值模式预报数据、格点实况观测数据及地形数据;
本发明实施例中,作为一可选实施例,数值模式预报数据包括但不限于:欧洲气象中心(EC,European Centre)预报数据、中央气象台(NMC,National MeteorologicalCenter)预报数据、全球/区域通用数值天气预报系统(GRAPES,Global/RegionalAssimilation and PrEdiction System)预报数据;格点实况观测数据包括:局地分析与预报系统(LAPS,Local Analysis and Prediction System)观测数据。
对于EC预报数据、NMC预报数据、GRAPES预报数据、LAPS观测数据,每一类数据均包括但不限于:温度、相对湿度、风速、风向等气象要素数据;地形数据包括但不限于:地形、地物、水体、植被、高程等地形要素数据。
本发明实施例中,EC预报数据的空间分辨率为12.5公里、时间分辨率为3小时;NMC预报数据的空间分辨率为5公里、时间分辨率为3小时;GRAPES预报数据的空间分辨率为3公里、时间分辨率为1小时;LAPS观测数据的空间分辨率为1公里、时间分辨率为1小时;地形数据空间分辨率为1公里。
本发明实施例中,目标区域可选为京津冀地区。作为一可选实施例,收集京津冀地区2019年10月至2020年4月的数值模式预报数据,每一数值模式预报数据均包括:温度、相对湿度、风速、风向;收集京津冀地区同时期(2019年10月至2020年4月)空间分辨率为1公里、时间分辨率为1小时、包括温度、相对湿度、风速、风向的LAPS观测数据;收集京津冀地区空间分辨率为1公里的地形数据。
步骤102,依据预先构建的深度学习空间降尺度模型以及时域卷积时间降尺度模型,对数值模式预报数据以及地形数据进行降尺度处理,得到数值模式降尺度预报数据,所述数值模式降尺度预报数据的分辨率与所述格点实况观测数据的分辨率相同;
本发明实施例中,作为一可选实施例,构建深度学习空间降尺度模型,包括:
收集格点历史实况观测数据以及格点地形数据,利用格点历史实况观测数据和格点地形数据训练深度学习空间降尺度网络,得到深度学习空间降尺度模型。
本发明实施例中,构建深度学习空间降尺度网络,利用收集的格点历史实况观测数据(LAPS观测数据)训练构建的深度学习空间降尺度网络。其中,深度学习空间降尺度网络包括:低分辨率特征提取模块、空间畸变模块、辅助特征变换模块、高分辨率重构模块。
图2示出了本发明实施例所提供的深度学习空间降尺度模型结构示意图。如图2所示,作为一可选实施例,利用格点历史实况观测数据训练深度学习空间降尺度网络,得到深度学习空间降尺度模型,包括:
A11,对格点历史实况观测数据分别进行重采样,得到第一空间分辨率的第一格点实况观测数据以及第二空间分辨率的第二格点实况观测数据,基于第一格点实况观测数据以及第二格点实况观测数据构建深度学习实况训练数据集;
本发明实施例中,作为一可选实施例,第一格点实况观测数据的空间分辨率3公里,第二格点实况观测数据的空间分辨率5公里。
A12,将深度学习实况训练数据集输入低分辨率特征提取模块,得到实况多要素特征;
本发明实施例中,低分辨率特征提取模块包含单层的卷积操作,用于剔除噪声数据。
本发明实施例中,利用下式获取实况多要素特征:
式中,
为深度学习实况训练数据集中的实况训练数据;其中,,分别表示:相对湿度、温度、风速、风向。实况训练数据包括:第一格点实况观测数据以及第二格点实况观测数据,其中,第一格点实况观测数据以及第二格点实况观测数据均包含:相对湿度训练数据、温度训练数据以及风速、风向训练数据。
A13,将实况多要素特征输入辅助特征变换模块,得到辅助变换特征;
本发明实施例中,辅助特征变换模块包含3层多尺度卷积操作、1层密集连接卷积操作、1层融合卷积操作。利用下式获取辅助变换特征:
式中,
上式可以写为:
A14,将格点地形数据输入空间畸变模块,得到空间矫正特征;
本发明实施例中,空间畸变模块包括:2层带池化的卷积特征提取操作、3层带LeakyReLU激活函数的卷积操作、1层带残差连接的卷积操作。利用下式获取空间矫正特征:
式中,
A15,将空间矫正特征以及辅助变换特征输入高分辨率重构模块,得到原始分辨率重构数据;
本发明实施例中,高分辨率重构模块包含4层卷积操作和1层PixelShuffle层操作。利用下式获取原始分辨率重构数据:
式中
本发明实施例中,原始分辨率重构数据为深度学习空间降尺度网络输出的空间分辨率为1公里的重构数据。
A16,依据原始分辨率重构数据、格点历史实况观测数据以及预先设置的尺度网络差异阈值,确定是否完成对深度学习空间降尺度网络的训练,若是,将完成训练的深度学习空间降尺度网络作为深度学习空间降尺度模型。
本发明实施例中,计算原始分辨率重构数据与LAPS观测数据之间的差异,当该差异满足设定的尺度网络差异阈值时,停止训练,保存模型;当该差异不满足尺度网络差异阈值时,利用反向传播算法优化深度学习空间降尺度网络的参数,并通过重复步骤A12至A16,直至深度学习空间降尺度网络收敛并满足尺度网络差异阈值。
本发明实施例中,利用格点历史实况观测数据训练时域卷积时间降尺度网络,得到时域卷积时间降尺度模型。即在构建时域卷积时间降尺度网络时,利用收集的格点历史实况观测数据(LAPS观测数据)进行训练。作为一可选实施例,时域卷积时间降尺度网络包括线性插值模块以及时域重构模块。
本发明实施例中,作为一可选实施例,作为一可选实施例,构建时域卷积时间降尺度模型,包括:
B11,选取格点历史实况观测数据中预定数量的格点,针对每一格点,获取该格点的连续时间序列并进行重采样,得到时域卷积训练数据集;
本发明实施例中,作为一可选实施例,随机抽取LAPS观测数据中的任意点的连续时间序列,并将其采样为3小时时间分辨率,从而构建用于时域卷积时间降尺度网络训练的时域卷积训练数据集。
B12,对时域卷积训练数据集中的每一时域卷积训练数据,利用线性插值模块进行再采样,得到时域卷积再采样训练数据集;
本发明实施例中,将采样得到的时域卷积训练数据,例如,温度、相对湿度、风速、风向等时域卷积训练数据,分别通过线性插值,插值为1小时间隔的时域卷积再采样训练数据。
B13,将时域卷积再采样训练数据集输入时域重构模块,得到时域卷积时间降尺度重构数据;
本发明实施例中,时域重构模块包含3组时域Inception网络,每个时域Inception网络包含3层多尺度卷积操作和1层时域聚合卷积操作,即利用下式获取时域卷积时间降尺度重构数据:
式中,
本发明实施例中,时域卷积时间降尺度重构数据为时域卷积时间降尺度网络输出的时间分辨率为1小时的数据。
B14,依据时域卷积时间降尺度重构数据、格点历史实况观测数据以及预先设置的卷积网络差异阈值,确定是否完成对时域卷积时间降尺度网络的训练,若是,将完成训练的时域卷积时间降尺度网络作为时域卷积时间降尺度网络模型。
本发明实施例中,计算时域卷积时间降尺度重构数据与格点历史实况观测数据(LAPS观测数据)之间的差异,当该差异满足设定的卷积网络差异阈值时,停止训练,保存模型;当该差异不满足卷积网络差异阈值时,利用反向传播算法优化时域卷积时间降尺度网络的参数,循环执行步骤B13和步骤B14,直至时域卷积时间降尺度网络收敛并满足卷积网络差异阈值。
本发明实施例中,作为一可选实施例,依据预先构建的深度学习空间降尺度模型以及时域卷积时间降尺度模型,对数值模式预报数据以及地形数据进行降尺度处理,得到数值模式降尺度预报数据,包括:
将数值模式预报数据以及地形数据作为深度学习空间降尺度模型的输入,得到数值模式第一降尺度预报数据;
将数值模式第一降尺度预报数据作为时域卷积时间降尺度模型的输入,得到数值模式降尺度预报数据。
步骤103,依据预先构建的多模式特征提取网络,对数值模式降尺度预报数据进行空间时间聚合特征的特征提取;
本发明实施例中,预先构建多模式特征提取网络,对降尺度后的数值模式降尺度预报数据进行特征提取。作为一可选实施例,对数值模式降尺度预报数据进行空间时间聚合特征的特征提取,包括:
C11,将时域卷积时间降尺度模型输出的数值模式降尺度预报数据进行归一化处理,得到数值模式降尺度归一化预报数据;
本发明实施例中,将收集的各样本区域的EC预报数据、NMC预报数据、GRAPES预报数据等数值模式预报数据中包含的温度、相对湿度、风速、风向等气象要素数据,降尺度为1公里空间分辨率、1小时时间分辨率的数值模式降尺度预报数据。
式中
本发明实施例中,以EC预报数据为例,针对每一气象观测站(样本区域),对该气象观测站的EC预报数据进行归一化,得到该气象观测站的EC模式降尺度归一化预报数据。其中,对于气象观测站的EC预报数据进行归一化包括:对该气象观测站的EC预报数据中的温度、相对湿度、风速、风向,分别进行归一化处理。
本发明实施例中,作为一可选实施例,还可以对数值模式降尺度归一化预报数据进行裁剪处理,裁剪为预定尺寸的小块数据,用作后续多模式特征提取网络的输入。
C12,将数值模式降尺度归一化预报数据按时序输入递归卷积网络的编码模块,得到空间时间聚合特征。
本发明实施例中,将归一化后的数值模式降尺度预报数据按时序输入递归卷积网络的编码模块,提取多模式预报的空间时间聚合特征。
本发明实施例中,利用下式获取空间时间聚合特征:
式中,
步骤104,以空间时间聚合特征作为预先构建的多模式特征融合网络的输入,对空间时间聚合特征进行融合,得到拼接融合特征;
本发明实施例中,作为一可选实施例,对空间时间聚合特征进行融合,得到拼接融合特征,包括:
D11,对空间时间聚合特征进行拼接,得到拼接特征;
本发明实施例中,利用下式获取拼接特征:
式中,
D12,将拼接特征输入单层三维卷积网络,得到拼接融合特征。
本发明实施例中,利用下式获取拼接融合特征:
式中,
步骤105,以格点实况观测数据作为预先构建的实况特征提取网络的输入,对格点实况观测数据进行特征提取,得到格点拼接融合特征;
本发明实施例中,作为一可选实施例,对格点实况观测数据进行特征提取,得到格点拼接融合特征,包括:
E11,对格点实况观测数据进行归一化处理,得到格点实况归一化观测数据;
本发明实施例中,将格点历史实况观测数据中的实况温度、相对湿度、风速、风向,按不同位置,分别统计对应的最大值、最小值,进行归一化处理,并将归一化的数据裁剪为预定尺寸的小块数据。作为一可选实施例,预定尺寸为192x192。
E12,将格点实况归一化观测数据按时序输入递归卷积网络的编码模块,得到空间时间格点聚合特征;
本发明实施例中,利用下式获取空间时间格点聚合特征:
式中,
E13,对空间时间格点聚合特征进行拼接,得到格点拼接特征;
本发明实施例中,利用下式获取格点拼接特征:
E14,对格点拼接特征进行特征融合,得到格点拼接融合特征。
本发明实施例中,利用下式获取格点拼接融合特征:
步骤106,将格点拼接融合特征和拼接融合特征输入预先构建的实况订正网络,得到维度拼接特征表示;
本发明实施例中,利用实况订正网络,基于格点拼接融合特征,对拼接融合特征进行订正。作为一可选实施例,将格点拼接融合特征和拼接融合特征输入预先构建的实况订正网络,得到维度拼接特征表示,包括:
F11,对格点拼接融合特征和拼接融合特征,按特征维进行拼接,得到维度拼接特征;
本发明实施例中,利用下式获取维度拼接特征:
F12,将维度拼接特征输入单层三维卷积网络,得到维度拼接特征表示。
本发明实施例中,将拼接后的维度拼接特征输入单层三维卷积网络,并通过LeakyReLU激活函数,获取订正后的维度拼接特征表示,记为:
本发明实施例中,由于引入格点实况观测数据或格点历史实况观测数据,对提取的拼接融合特征进行约束,因此,可以实现基于格点实况观测数据的预报订正,并且由于实况数据(格点实况观测数据)可以实时获取,因此该模型可以实现实时在线订正。
步骤107,依据预先构建的多数值模式集成预报网络,对维度拼接特征表示进行集成预报。
本发明实施例中,构建多数值模式集成预报网络,包括:
G11,将维度拼接特征表示输入递归卷积网络的解码模块,获取集成订正结果;
本发明实施例中,将维度拼接特征表示输入递归卷积网络的解码模块,获取多模式预报的集成订正结果,记为:
式中,
G12,对集成订正结果进行归一化处理,得到集成订正归一化结果;
本发明实施例中,利用下式获取集成订正归一化结果:
式中,
G13,依据集成订正归一化结果、格点历史实况观测数据,获取递归卷积网络的输出误差,若输出误差小于设定的误差阈值,将该递归卷积网络作为多数值模式集成预报网络,否则,通过反向传播优化递归卷积网络的参数,直至递归卷积网络的输出误差小于设定的误差阈值。
式中,
本发明实施例中,在构建深度学习空间降尺度模型、时域卷积时间降尺度模型、多模式特征提取网络、多模式特征融合网络、实况特征提取网络、实况订正网络以及多数值模式集成预报网络时,可以将深度学习空间降尺度模型、时域卷积时间降尺度模型、多模式特征提取网络、多模式特征融合网络、实况特征提取网络、实况订正网络以及多数值模式集成预报网络作为一个整体的多数值模式集成预报模型,进行端到端的训练,判断多数值模式集成预报网络的输出误差是否满足设定的误差阈值,如满足,则保存为多数值模式集成预报模型,用于后续多模式集成预报,只需将目标区域的数值模式预报数据、格点实况观测数据及地形数据输入多数值模式集成预报模型,即可得到集成预报的结果;如不满足,则通过反向传播算法优化模型中深度学习空间降尺度模型、时域卷积时间降尺度模型、多模式特征提取网络、多模式特征融合网络、实况特征提取网络、实况订正网络以及多数值模式集成预报网络的参数,重复进行迭代,并直至满足设定的误差阈值。
本发明实施例,引入基于深度学习的空间降尺度模型和基于时域卷积的时间降尺度模型,将多种数值模式预报结果统一降尺度为1公里空间分辨率、1小时时间分辨率,提高了模式预报的精细度和准确度;进一步地,深度学习空间降尺度模型以多气象要素和地形信息为输入,可以实现基于精细化地形的降尺度订正;而且,基于递归卷积网络的多数值模式集成预报网络,可以充分挖掘不同数值模式预报之间的潜在关联关系,更好地拟合天气过程的非线性特征;同时,在递归卷积网络中间层引入实况特征,可以实现基于实况的多模式在线订正;此外,在递归卷积网络中增加轴向注意力机制,一方面可以充分利用周边更大范围的相关性,另一方面可以挖掘相同经纬度位置的气象相似性。
图3示出了本发明实施例所提供的多数值模式集成预报装置结构示意图。如图3所示,该装置包括:
数据收集模块301,用于收集目标区域的数值模式预报数据、格点实况观测数据及地形数据;
本发明实施例中,数值模式预报数据包括但不限于:EC预报数据、NMC预报数据、GRAPES预报数据;格点实况观测数据包括:LAPS观测数据。对于EC预报数据、NMC预报数据、GRAPES预报数据、LAPS观测数据,每一类数据均包括但不限于:温度、相对湿度、风速、风向等气象要素数据;地形数据包括但不限于:地形、地物、水体、植被、高程等地形要素数据。
尺度处理模块302,用于依据预先构建的深度学习空间降尺度模型以及时域卷积时间降尺度模型,对数值模式预报数据以及地形数据进行降尺度处理,得到数值模式降尺度预报数据,所述数值模式降尺度预报数据的分辨率与所述格点实况观测数据的分辨率相同;
本发明实施例中,作为一可选实施例,构建深度学习空间降尺度模型,包括:
收集格点历史实况观测数据以及格点地形数据;
对格点历史实况观测数据分别进行重采样,得到第一空间分辨率的第一格点实况观测数据以及第二空间分辨率的第二格点实况观测数据,基于第一格点实况观测数据以及第二格点实况观测数据构建深度学习实况训练数据集;
将深度学习实况训练数据集输入低分辨率特征提取模块,得到实况多要素特征;
将实况多要素特征输入辅助特征变换模块,得到辅助变换特征;
将格点地形数据输入空间畸变模块,得到空间矫正特征;
将空间矫正特征以及辅助变换特征输入高分辨率重构模块,得到原始分辨率重构数据;
依据原始分辨率重构数据、格点历史实况观测数据以及预先设置的尺度网络差异阈值,确定是否完成对深度学习空间降尺度网络的训练,若是,将完成训练的深度学习空间降尺度网络作为深度学习空间降尺度模型。
本发明实施例中,作为一可选实施例,构建时域卷积时间降尺度模型,包括:
选取格点历史实况观测数据中预定数量的格点,针对每一格点,获取该格点的连续时间序列并进行重采样,得到时域卷积训练数据集;
对时域卷积训练数据集中的每一时域卷积训练数据,利用线性插值模块进行再采样,得到时域卷积再采样训练数据集;
将时域卷积再采样训练数据集输入时域重构模块,得到时域卷积时间降尺度重构数据;
依据时域卷积时间降尺度重构数据、格点历史实况观测数据以及预先设置的卷积网络差异阈值,确定是否完成对时域卷积时间降尺度网络的训练,若是,将完成训练的时域卷积时间降尺度网络作为时域卷积时间降尺度网络模型。
模式特征提取模块303,用于依据预先构建的多模式特征提取网络,对数值模式降尺度预报数据进行空间时间聚合特征的特征提取;
本发明实施例中,作为一可选实施例,模式特征提取模块303具体用于:
将时域卷积时间降尺度模型输出的数值模式降尺度预报数据进行归一化处理,得到数值模式降尺度归一化预报数据;
将数值模式降尺度归一化预报数据按时序输入递归卷积网络的编码模块,得到空间时间聚合特征。
模式特征融合模块304,用于以空间时间聚合特征作为预先构建的多模式特征融合网络的输入,对空间时间聚合特征进行融合,得到拼接融合特征;
本发明实施例中,作为一可选实施例,模式特征融合模块304具体用于:
对空间时间聚合特征进行拼接,得到拼接特征;
将拼接特征输入单层三维卷积网络,得到拼接融合特征。
格点特征提取模块305,用于以格点实况观测数据作为预先构建的实况特征提取网络的输入,对格点实况观测数据进行特征提取,得到格点拼接融合特征;
本发明实施例中,作为一可选实施例,格点特征提取模块305具体用于:
对格点实况观测数据进行归一化处理,得到格点实况归一化观测数据;
将格点实况归一化观测数据按时序输入递归卷积网络的编码模块,得到空间时间格点聚合特征;
对空间时间格点聚合特征进行拼接,得到格点拼接特征;
对格点拼接特征进行特征融合,得到格点拼接融合特征。
特征订正模块306,用于将格点拼接融合特征和拼接融合特征输入预先构建的实况订正网络,得到维度拼接特征表示;
本发明实施例中,作为一可选实施例,特征订正模块306具体用于:
对格点拼接融合特征和拼接融合特征,按特征维进行拼接,得到维度拼接特征;
将维度拼接特征输入单层三维卷积网络,得到维度拼接特征表示。
集成预报模块307,用于依据预先构建的多数值模式集成预报网络,对维度拼接特征表示进行集成预报。
本发明实施例中,作为一可选实施例,构建多数值模式集成预报网络,包括:
将维度拼接特征表示输入递归卷积网络的解码模块,获取集成订正结果;
对集成订正结果进行归一化处理,得到集成订正归一化结果;
依据集成订正归一化结果、格点历史实况观测数据,获取递归卷积网络的输出误差,若输出误差小于设定的误差阈值,将该递归卷积网络作为多数值模式集成预报网络,否则,通过反向传播优化递归卷积网络的参数,直至递归卷积网络的输出误差小于设定的误差阈值。
如图4所示,本申请一实施例提供了一种计算机设备400,用于执行图1中的多数值模式集成预报方法,该设备包括存储器401、处理器402及存储在该存储器401上并可在该处理器402上运行的计算机程序,其中,上述处理器402执行上述计算机程序时实现上述多数值模式集成预报方法的步骤。
具体地,上述存储器401和处理器402能够为通用的存储器和处理器,这里不做具体限定,当处理器402运行存储器401存储的计算机程序时,能够执行上述多数值模式集成预报方法。
对应于图1中的多数值模式集成预报方法,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述多数值模式集成预报方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述多数值模式集成预报方法。
在本申请所提供的实施例中,应该理解到,所揭露系统和方法,可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,系统或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请提供的实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory, ROM)、随机存取存储器(Random Access Memory ,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种多数值模式集成预报方法,其特征在于,包括:
收集目标区域的数值模式预报数据、格点实况观测数据及地形数据;
依据预先构建的深度学习空间降尺度模型以及时域卷积时间降尺度模型,对数值模式预报数据以及地形数据进行降尺度处理,得到数值模式降尺度预报数据,所述数值模式降尺度预报数据的分辨率与所述格点实况观测数据的分辨率相同;
依据预先构建的多模式特征提取网络,对数值模式降尺度预报数据进行空间时间聚合特征的特征提取;
以空间时间聚合特征作为预先构建的多模式特征融合网络的输入,对空间时间聚合特征进行融合,得到拼接融合特征;
以格点实况观测数据作为预先构建的实况特征提取网络的输入,对格点实况观测数据进行特征提取,得到格点拼接融合特征;
将格点拼接融合特征和拼接融合特征输入预先构建的实况订正网络,得到维度拼接特征表示;
依据预先构建的多数值模式集成预报网络,对维度拼接特征表示进行集成预报。
2.根据权利要求1所述的方法,其特征在于,构建深度学习空间降尺度模型,包括:
收集格点历史实况观测数据以及格点地形数据;
对格点历史实况观测数据分别进行重采样,得到第一空间分辨率的第一格点实况观测数据以及第二空间分辨率的第二格点实况观测数据,基于第一格点实况观测数据以及第二格点实况观测数据构建深度学习实况训练数据集;
将深度学习实况训练数据集输入低分辨率特征提取模块,得到实况多要素特征;
将实况多要素特征输入辅助特征变换模块,得到辅助变换特征;
将格点地形数据输入空间畸变模块,得到空间矫正特征;
将空间矫正特征以及辅助变换特征输入高分辨率重构模块,得到原始分辨率重构数据;
依据原始分辨率重构数据、格点历史实况观测数据以及预先设置的尺度网络差异阈值,确定是否完成对深度学习空间降尺度网络的训练,若是,将完成训练的深度学习空间降尺度网络作为深度学习空间降尺度模型。
3.根据权利要求2所述的方法,其特征在于,构建时域卷积时间降尺度模型,包括:
选取格点历史实况观测数据中预定数量的格点,针对每一格点,获取该格点的连续时间序列并进行重采样,得到时域卷积训练数据集;
对时域卷积训练数据集中的每一时域卷积训练数据,利用线性插值模块进行再采样,得到时域卷积再采样训练数据集;
将时域卷积再采样训练数据集输入时域重构模块,得到时域卷积时间降尺度重构数据;
依据时域卷积时间降尺度重构数据、格点历史实况观测数据以及预先设置的卷积网络差异阈值,确定是否完成对时域卷积时间降尺度网络的训练,若是,将完成训练的时域卷积时间降尺度网络作为时域卷积时间降尺度网络模型。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述对数值模式降尺度预报数据进行空间时间聚合特征的特征提取,包括:
将时域卷积时间降尺度模型输出的数值模式降尺度预报数据进行归一化处理,得到数值模式降尺度归一化预报数据;
将数值模式降尺度归一化预报数据按时序输入递归卷积网络的编码模块,得到空间时间聚合特征。
5.根据权利要求1至3任一项所述的方法,其特征在于,所述对空间时间聚合特征进行融合,得到拼接融合特征,包括:
对空间时间聚合特征进行拼接,得到拼接特征;
将拼接特征输入单层三维卷积网络,得到拼接融合特征。
6.根据权利要求1至3任一项所述的方法,其特征在于,所述对格点实况观测数据进行特征提取,得到格点拼接融合特征,包括:
对格点实况观测数据进行归一化处理,得到格点实况归一化观测数据;
将格点实况归一化观测数据按时序输入递归卷积网络的编码模块,得到空间时间格点聚合特征;
对空间时间格点聚合特征进行拼接,得到格点拼接特征;
对格点拼接特征进行特征融合,得到格点拼接融合特征。
7.根据权利要求1至3任一项所述的方法,其特征在于,构建多数值模式集成预报网络,包括:
将维度拼接特征表示输入递归卷积网络的解码模块,获取集成订正结果;
对集成订正结果进行归一化处理,得到集成订正归一化结果;
依据集成订正归一化结果、格点历史实况观测数据,获取递归卷积网络的输出误差,若输出误差小于设定的误差阈值,将该递归卷积网络作为多数值模式集成预报网络,否则,通过反向传播优化递归卷积网络的参数,直至递归卷积网络的输出误差小于设定的误差阈值。
8.一种多数值模式集成预报装置,其特征在于,包括:
数据收集模块,用于收集目标区域的数值模式预报数据、格点实况观测数据及地形数据;
尺度处理模块,用于依据预先构建的深度学习空间降尺度模型以及时域卷积时间降尺度模型,对数值模式预报数据以及地形数据进行降尺度处理,得到数值模式降尺度预报数据,所述数值模式降尺度预报数据的分辨率与所述格点实况观测数据的分辨率相同;
模式特征提取模块,用于依据预先构建的多模式特征提取网络,对数值模式降尺度预报数据进行空间时间聚合特征的特征提取;
模式特征融合模块,用于以空间时间聚合特征作为预先构建的多模式特征融合网络的输入,对空间时间聚合特征进行融合,得到拼接融合特征;
格点特征提取模块,用于以格点实况观测数据作为预先构建的实况特征提取网络的输入,对格点实况观测数据进行特征提取,得到格点拼接融合特征;
特征订正模块,用于将格点拼接融合特征和拼接融合特征输入预先构建的实况订正网络,得到维度拼接特征表示;
集成预报模块,用于依据预先构建的多数值模式集成预报网络,对维度拼接特征表示进行集成预报。
9.一种计算机设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当计算机设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的多数值模式集成预报方法的步骤。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至7任一所述的多数值模式集成预报方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110407569.XA CN113011106B (zh) | 2021-04-15 | 2021-04-15 | 一种多数值模式集成预报方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110407569.XA CN113011106B (zh) | 2021-04-15 | 2021-04-15 | 一种多数值模式集成预报方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113011106A true CN113011106A (zh) | 2021-06-22 |
CN113011106B CN113011106B (zh) | 2021-12-03 |
Family
ID=76389389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110407569.XA Active CN113011106B (zh) | 2021-04-15 | 2021-04-15 | 一种多数值模式集成预报方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113011106B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113204061A (zh) * | 2021-07-06 | 2021-08-03 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种构建格点风速订正模型的方法及装置 |
CN113253364A (zh) * | 2021-06-30 | 2021-08-13 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种对站点风速预报结果进行订正的方法及装置 |
CN114298389A (zh) * | 2021-12-22 | 2022-04-08 | 中科三清科技有限公司 | 一种臭氧浓度预报方法及装置 |
CN115239027A (zh) * | 2022-09-22 | 2022-10-25 | 中科三清科技有限公司 | 空气质量格点化集合预报的方法及装置 |
CN117910658A (zh) * | 2024-03-15 | 2024-04-19 | 北京和利时系统工程有限公司 | 一种降水量预测方法、模型的训练与修正方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180188417A1 (en) * | 2017-01-03 | 2018-07-05 | UBIMET GmbH | Method for increasing the spatial resolution of a weather forecast |
CN109086916A (zh) * | 2018-07-16 | 2018-12-25 | 国家气象中心 | 一种基于多源观测数据的对流天气临近预报方法及装置 |
CN110826810A (zh) * | 2019-11-13 | 2020-02-21 | 吉林农业大学 | 一种空间推理与机器学习相结合的区域降雨预测方法 |
CN110874630A (zh) * | 2019-10-23 | 2020-03-10 | 中国人民解放军空军研究院战场环境研究所 | 一种基于深度学习的数值模式产品降尺度精细化方法 |
CN111007582A (zh) * | 2019-12-25 | 2020-04-14 | 象辑知源(武汉)科技有限公司 | 一种适用于多要素的高分辨率集合预报系统 |
CN111078678A (zh) * | 2019-12-18 | 2020-04-28 | 中国气象局乌鲁木齐沙漠气象研究所 | 一种基于多源信息融合与降尺度的卫星降水数据校正方法 |
CN111339092A (zh) * | 2020-02-24 | 2020-06-26 | 江苏省南通环境监测中心 | 一种基于深度学习的多尺度空气质量预报方法 |
CN112684520A (zh) * | 2020-12-30 | 2021-04-20 | 北京墨迹风云科技股份有限公司 | 一种气象预报的订正方法、装置、计算机设备及存储介质 |
-
2021
- 2021-04-15 CN CN202110407569.XA patent/CN113011106B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180188417A1 (en) * | 2017-01-03 | 2018-07-05 | UBIMET GmbH | Method for increasing the spatial resolution of a weather forecast |
CN109086916A (zh) * | 2018-07-16 | 2018-12-25 | 国家气象中心 | 一种基于多源观测数据的对流天气临近预报方法及装置 |
CN110874630A (zh) * | 2019-10-23 | 2020-03-10 | 中国人民解放军空军研究院战场环境研究所 | 一种基于深度学习的数值模式产品降尺度精细化方法 |
CN110826810A (zh) * | 2019-11-13 | 2020-02-21 | 吉林农业大学 | 一种空间推理与机器学习相结合的区域降雨预测方法 |
CN111078678A (zh) * | 2019-12-18 | 2020-04-28 | 中国气象局乌鲁木齐沙漠气象研究所 | 一种基于多源信息融合与降尺度的卫星降水数据校正方法 |
CN111007582A (zh) * | 2019-12-25 | 2020-04-14 | 象辑知源(武汉)科技有限公司 | 一种适用于多要素的高分辨率集合预报系统 |
CN111339092A (zh) * | 2020-02-24 | 2020-06-26 | 江苏省南通环境监测中心 | 一种基于深度学习的多尺度空气质量预报方法 |
CN112684520A (zh) * | 2020-12-30 | 2021-04-20 | 北京墨迹风云科技股份有限公司 | 一种气象预报的订正方法、装置、计算机设备及存储介质 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113253364A (zh) * | 2021-06-30 | 2021-08-13 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种对站点风速预报结果进行订正的方法及装置 |
CN113253364B (zh) * | 2021-06-30 | 2021-10-08 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种对站点风速预报结果进行订正的方法及装置 |
CN113204061A (zh) * | 2021-07-06 | 2021-08-03 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种构建格点风速订正模型的方法及装置 |
CN114298389A (zh) * | 2021-12-22 | 2022-04-08 | 中科三清科技有限公司 | 一种臭氧浓度预报方法及装置 |
CN115239027A (zh) * | 2022-09-22 | 2022-10-25 | 中科三清科技有限公司 | 空气质量格点化集合预报的方法及装置 |
CN115239027B (zh) * | 2022-09-22 | 2023-06-02 | 中科三清科技有限公司 | 空气质量格点化集合预报的方法及装置 |
CN117910658A (zh) * | 2024-03-15 | 2024-04-19 | 北京和利时系统工程有限公司 | 一种降水量预测方法、模型的训练与修正方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113011106B (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113011106B (zh) | 一种多数值模式集成预报方法及装置 | |
US20230128989A1 (en) | Systems and methods of data preprocessing and augmentation for neural network climate forecasting models | |
US11835677B2 (en) | Systems and methods for selecting global climate simulation models for training neural network climate forecasting models | |
US11231522B2 (en) | Methods and systems for climate forecasting using artificial neural networks | |
Nevo et al. | Flood forecasting with machine learning models in an operational framework | |
US11144835B2 (en) | Systems and methods for outage prediction | |
Papagiannopoulou et al. | A non-linear Granger-causality framework to investigate climate–vegetation dynamics | |
König et al. | Source pools and disharmony of the world's island floras | |
US11880767B2 (en) | Increasing accuracy and resolution of weather forecasts using deep generative models | |
Yuan et al. | Soil moisture estimation for the Chinese Loess Plateau using MODIS-derived ATI and TVDI | |
Aminyavari et al. | Assessment of precipitation estimation from the NWP models and satellite products for the spring 2019 severe floods in Iran | |
CN118012850B (zh) | 面向智慧灌溉多源信息的数据库构建系统、方法及设备 | |
Shanmuganathan et al. | Data mining methods to generate severe wind gust models | |
CN112990354B (zh) | 一种构建用于风速预测的深度卷积回归网络的方法及装置 | |
Walsh et al. | Using machine learning to produce a very high resolution land-cover map for Ireland | |
Nurdiati et al. | Joint pattern analysis of forest fire and drought indicators in southeast Asia associated with ENSO and IOD | |
Nguyen et al. | Fine-tuning LightGBM using an artificial ecosystem-based optimizer for forest fire analysis | |
Blakeley et al. | Identifying precipitation and reference evapotranspiration trends in West Africa to support drought insurance | |
Porto et al. | Machine learning approaches to extreme weather events forecast in urban areas: Challenges and initial results | |
CN117233869A (zh) | 一种基于GRU-BiTCN的站点短期风速预测方法 | |
Yi et al. | Heat Exposure information at screen level for an impact-based forecasting and warning service for heat-wave disasters | |
CN113496305A (zh) | 数据处理方法及装置 | |
Ghaedi et al. | Predicting flood damage using the flood peak ratio and Giovanni Flooded Fraction | |
CN116451088A (zh) | 基于多要素特征相似性和地理区划聚类的优选代站方法 | |
CN112712277A (zh) | 基于云计算和大数据分析的工程项目施工完成周期多元评估方法及云平台 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |